瑞士研究者Christoph M.Michel 和ThomasKoenig在NeuroImage发文，介绍了一种用多通道EEG表征人脑静息态活动的办法。这种方法检测大脑的电微态，即短时间内头皮电压分布保持半稳定性，其反映大规模网络节点之间的活动具有准同时性。微状态代表了自发性意识加工的结构链，它们的发生和时间动态决定了心理状态的质量。神经和精神疾病的意识加工紊乱表现为特定微状态的时间动态变化。脑电微状态与静息态网络密切相关，其时间进程的无标度属性解释了为什么相似的脑网络可以在不同的时间尺度中被观察到。
关键词：脑电微状态，静息态脑网络，意识，精神病，状态依随信息加工，亚稳定度
脑电微状态现象学及其历史
根据远场理论，头皮电位会受到容积传导效应的影响，这种效应会带来两种严重的后果：
第一，在给定头皮位置的电极不仅可以检测其到正下方区域的神经元活动，还可以同时记录潜在的远端源的活动。
第二，一个源的激活将同时影响所有头皮电极，导致这些电极上记录的信号之间产生内在相关性。利用多通道电极采集的数据可以确定电位场的空间分布，并绘制出3D电位地形图。地形图空间结构的不同反映着不同神经元的激活，本文着重强调利用头皮电位地形图的差异反映脑网络激活的变化。
在短时间内，头皮电位的主要存在几种地形图结构，分析α波段脑电图的时间序列,并确定极值点的电极位置可以发现：极值点在一定时间内保持在同一电极位置然后迅速切换到一个新的电极位置后再次保持稳定，并且在每个稳定的周期中都可以观测到极值点极性的改变。这些极性的改变反映着脑电振荡的频率，进一步反映着神经活动兴奋和抑制的节律。不考虑极性的变化，就可以清晰的发现地形图的结构在一个甚至几个振荡周期内都可以保持稳定，反之，也可以在一个振荡周期内改变，如图1。
图1 地形图在时间变化中的稳定性。
A.12秒闭眼静息态EEG显示出alpha活动，大约持续2秒。
B.alpha活动爆发期的EEG活动。
C. alpha爆发的2秒内峰值点的连续地形图。由于微状态分析忽略极性，每秒钟地图的极性都发生了倒置：不同持续时间的稳定地形图的周期变得明显。不同的颜色对应着B图中相应的分段。
微状态及其时间指标的计算
Step 1.空间聚类分析
聚类分析的目的是为了从数据中提取出互不相关的独立成分。
Step 2.定义团簇个数
根据不同条件定义元标准，将每种条件下被试脑电幅值进行从低到高排序。最优的团簇数量需要依赖可靠的优化标准依据每个数据集来定义，再每组数据分别进行聚类分析并确定最优团簇地形图。
图2脑电微状态分段方法。
A.通过204个电极点记录10秒闭眼脑电活动。
B.截取前5秒的全局场功率（Global Field Power，GFP），峰值点用竖线标记。
C.GFP峰值的连续地形图。
D.对整个数据（30s）的GFP峰值地形图进行空间k-mean聚类分析，5个聚类最优地解释了这些数据。将这5种分类与A中的原始EEG进行拟合，并通过色条一一对应。
使用k-mean聚类方法并通过交叉验证标准确定最佳聚类数的几项初步研究表明，最佳地图数为4个,这四个聚类图解释的总体方差为65%~84%。图3显示了一系列研究中的四种聚类图。Koenig将这些地图标记为A、B、C 和 D 类，所有后续研究都根据与原始聚类地图的空间相似性保留此标注。这四个地形图似在不同年龄范围、条件（如睡眠、催眠）和病理状态的数据中保持一致。
图3在几个独立研究中采用不同数量的电极、不同的被试和滤波设置，最终确定的四种典型微状态地形图。尽管这四种微状态图彼此之间有很大区别，但它们在不同的研究中都具有很高的可重复性。不过，同一类标记的地形图的相似性并不总是明显的，特别是对于C类和D类。
Step 3. 确定微状态：将聚类地形图拟合到数据
从不同的微状态中提取以下时间参数并计算：
1）微状态保持稳定的平均持续时间；
2）微状态的发生频率；
3）微状态总记录时间的分数。
4）每个微状态的总体方差；
5）微状态到任何其他微状态的转换概率。图4中的箱线图说明了微状态分析的不同步骤。
图4 微状态分析步骤细节的箱线图
脑电微状态模型的基本假设
上述微观状态分析过程中的一个重要的先验假设是：在一个特定的时间只有一个空间地形结构完全定义大脑的整体状态。这一假设用于将聚类地形图拟合到记录的数据：计算每个团簇之间的空间相关性，并根据最高相关性分配（标记）瞬时记录的地形图和时间点。因此，虽然测量的电压分布原则上可以通过不同电压矢量的加权和来解释，但微观状态模型假定这些矢量中除一个以外的所有矢量都为零，并将残差视为噪声。
微状态与认知的离散分段现象
微状态概念产生于对地形图的纯现象学描述,以及微状态可以切分成准稳定的地形图分段，每段中的地形图在亚秒范围内持续一段时间，快速转换发生在稳定状态之间。这种脑加工的时间动力学描述与几个理论概念非常一致，这些概念表明，有意识的认知在时间上是不连续的，并可以解析为一系列稳定的间隔或"感知框架"。与脑电微状态相似，大脑活动被分割成持续时间约为100ms的稳定活动模式。
脑电微状态的时间结构
考虑到只有少数微状态地形图，并且它们在持续时间约为100 ms的离散块中交替，因此有必要讨论这种交替的时间结构是否遵循某些规则。主要问题不仅在于微观状态的转变是否是非随机的，而且在于这种非随机性是否在不同的时间尺度上是可观测的。之前针对过渡概率的几项清楚地证明了这些概率是非随机的，但是精神分裂症患者的这些过渡偏好发生了改变。信息在不同大脑状态之间流动的时间过程对于确保对传入刺激的感知、正确的认知处理和有意识的适当行动至关重要。脑电微状态序列在六个二元尺度（从毫秒到几秒）上表现出无标度的单分形动力学，表明脑电微状态时间序列在不同时间尺度上的观测显示出完全的自相似性。因此，微状态时间序列具有清晰的结构化时间组织，既不是随机的，也不是预定的，更不能预测。特定微状态持续时间的变化代表了几种神经精神疾病的关键标志，表明微状态持续时间的变化以及微状态序列的无标度特性的最终变化可能是精神过程变化的特征。
脑电微状态和振荡脑状态
脑电微状态被认为是一种宽带现象，因此可以考虑到人脑中可观测到的宽泛的频率成分。此外，从微状态分析中提取的典型特征（如平均持续时间和覆盖时间百分比）与信号振幅无关。因此，一些研究中脑电频谱图振幅的个体间方差与微状态中的个体间方差之间没有关联。然而，在被试内脑电频谱功率的时空分布波动与特定微状态的短暂存在有系统的联系，这突出了脑电数据的非平稳性。从概念上讲，在非平稳状态下对微观状态的讨论强调了定义术语“状态”的两种非常不同且在数学上独立的方法：
a）微状态理解以空间方式定义"状态"：每种状态都被视为一组具有时间相似动力学的特定源的全激活。这一定义的空间特异性强调了情态（感觉、运动、言语等）以及状态可能代表的心理过程的内容。
b）动力学理解以时间方式定义“状态”，即在脑电动力学满足一定平稳性标准的时间段。这一定义传达了一些心理内容获取模式（清醒、昏昏欲睡、睡眠等）的相关信息，因此活动的频谱分布可确定特定状态是否可以激活或阻止信息加工。
一些方法论发展旨在将定义“状态”这两个不同方面统一到一个框架中。这对阐明由微状态或类似模型所代表的功能网络的抑制作用与激活作用的问题尤其重要。许多脑电研究采用测量滞后相互作用的频域来评估大脑连通性，发现这些滞后存在并发挥功能作用。
脑电微状态下的脑源
脑电图微状态与使用fMRI定义的RSN密切相关。微状态时间序列的无尺度特性，跨越脑电微状态变化和fMRI BOLD振荡的时间尺度特征，解释了在如此不同的时间尺度上可以观察到的信息是如何相互交织的。虽然脑电微状态下的网络可以根据与BOLD波动的相关性间接确定，但原则上也可以直接估计（电生理）神经网络，该网络通过应用源定位方法生成静止状态头皮地形图，但这种方法很少被使用。Marqui等人2004年使用k-means聚类分析，确定了在109 名参与者组进行2~20 Hz滤波的脑电数据的四个微状态图。计算每个被试的微状态地形图，然后使用eLORETA计算各个地图的源分布。这一分析表明,四个微状态的源分布表现出高度的重叠，主要针对前皮质和后部结节皮质和左右两个腹部/腹腔区域，后结节在所有四个微状态中都是活跃的。四个微状态表示默认模式网络的不同方面，并且脑电的分辨率允许微状态的时间分离。
图5静息态活动的EEG-fMRI记录。
利用k-means聚类对脑电数据进行分析，得到四组聚类图。利用广义线性模型(GLM)，将这四种微状态与fMRI在每个体素上的BOLD时间过程相结合。GLM显示了每个微状态下的不同BOLD激活模式。这些激活模式在空间上与每个被试的fMRI静息状态网络相关联。这一结果表明，四个典型微状态的每一个都与已知的某一fMRI静息状态的相关性最好。
Custo 等人2017 年使用电流密度的时间过程估计微状态源。这些微状态是通过对 164 名参与者的 256 个通道 EEG 数据进行 k-means聚类确定的。K-means 聚类的元标准揭示了七个聚类图的最佳值,这解释了全局方差的 84.8%。虽然这七张地形图中包括了4类典型的微状态,但微状态 C 被分成两个地图,另外还包括两张地图。TESS对这七个微状态的分析表明,一组大脑区域活跃于大多数微状态网络中:这些普遍活跃的区域对应于关于结构和功能脑网络的几项研究中描述的重点，除了这些区域外,还发现了七个微状态中每个区域特有的地方，与Britz等人2010年所述的BOLD相关区域类似（图6）。
图6 脑电微状态时间进程与电流密度时间进程相关的七个脑电微状态源定位
脑电微状态的功能意义
如果脑电微观状态能够映意识的基本组成部分，那么这些状态将受到意识状态的调制。微状态B反映视觉静息状态网络（Britz等人，2010年）。微观状态C与认知控制网络（主要是显著性网络）中的活动以及前扣带回和脑岛的激活相关（Seeley等人，2007年）。微状态C反映默认模式网络的一部分，即任务负网络，在认知任务执行过程中活动减少。微状态D与背侧注意网络和睡眠有关，可以反映注意力、焦点转换和重新定位的反射性。
疾病对脑电微状态的影响
许多研究调查了神经障碍患者脑电微状态变化。图7总结了这些研究及其关于四个微状态的时间特性的主要发现。微状态C在精神分裂症患者中发生的频率更高，而微状态D持续时间更短，表明通过微状态分析获得的脑电数据的特殊分解可能确实分离出具有精神相关性的脑网络。成功的抗精神病药物治疗使精神分裂症患者的C和D微状态模式正常化。Diaz及其同事提出，脑电微状态神经反馈可用于上调精神分裂症患者微状态D的持续时间。与精神分裂症相比，在大多数其他疾病的患者中，观察到了微状态C的发生率下降以及微状态A和B的变化，这表明微状态C和D的不平衡可能是精神分裂症特有的。
图7 使用k-means聚类法对神经疾病的四个规范脑电微状态变化研究摘要
Dur：持续时间;Occ: 发生; Cov : 覆盖;GEV 1/4: 整体方差; Topo: 地形图
结论
脑电微观状态分析是研究健康和疾病中持续性精神活动时间动态的一个有希望的工具。
我们相信，未来的研究将建立一种更稳定的方法学来定义这些状态，并揭示这些电生理现象与人类大脑潜在的精神活动之间的关系。
原文：
EEG microstates as a tool for studying the temporal dynamics of whole-brain neuronal networks
CM Michel, T Koenig - Neuroimage
